TELUS研究：多轮越狱中模型有害性识别与拒答分离

发生了什么

据安全内参报道，2026年9月29日TELUS Digital发布论文《The Geometry of Harmfulness in Multi-Turn Attacks》。研究发现，在多轮攻击中，随着对话推进，模型内部对有害内容的表示反而变得更加容易区分，而非被隐藏。同时，这种有害性表示与最终是否拒答或攻击成功之间的几何关联较弱。这意味着模型可能已识别风险但未采取拒答行为，提示安全风险检测需关注完整交互历史及动态轨迹。